Explanation:
有望なジョブを終了せずに節約を提供する早期停止基準をモデルに実装する必要があります。
切り捨ての選択は、各評価間隔で最もパフォーマンスの低い実行の特定のパーセンテージをキャンセルします。実行は、プライマリ メトリックのパフォーマンスに基づいて比較され、最も低い X% が終了されます。
例：
azureml.train.hyperdrive インポート TruncationSelectionPolicy から
Early_termination_policy = TruncationSelectionPolicy(evaluation_interval=1, truncation_percentage=20, delay_evaluation=5) 不正解:
バンディットは、スラック係数/スラック量と評価間隔に基づく終了ポリシーです。このポリシーは、プライマリ メトリクスが指定されたスラック ファクター/スラック量内にない実行を、最高のパフォーマンスのトレーニング実行に関して早期に終了します。
例：
azureml.train.hyperdrive インポート BanditPolicy から
Early_termination_policy = BanditPolicy(slack_factor = 0.1, Evaluation_interval=1, delay_evaluation=5 参照:
https://docs.microsoft.com/en-us/azure/machine-learning/service/how-to-tune-hyperparameters